基于移动激光扫描点云特征图像和SVM的建筑物立面半自动提取方法

建筑物立面是城市地物的重要组成部分,而移动激光扫描是获取城市地物三维信息的重要手段之一。本文提出了一种基于移动激光扫描点云的建筑物立面半自动提取算法。该方法首先构建研究区水平网格;然后计算局部点云几何特征,并且将特征投影到水平网格生成点云特征图像;接着基于支持向量机（Support Vector Machine,SVM）对建筑物立面网格进行粗提取;最后使用网格属性（形状系数、网格面积、最大高程）对粗提取结果进行过滤,并将结果反投影到三维空间中得到精确的建筑物立面。以卡内基梅隆大学的移动激光扫描点云进行试验后表明,本算法能够较好地提取出建筑物立面,提取精度为84%,召回率为90%,数据修正后精度为88%,召回率为91%。通过与现有算法对比,本文提出的算法具有较高精度。     

基于多源激光点云融合的建筑物BIM建模

墙体、窗户等单元构件是建筑物重要组成部分,精细提取其几何参数及位置信息对于完整表达建筑物整体模型具有重要意义。针对单一点云数据源无法获取建筑物单元构件相关参数并完整表达室内外模型重建问题,本文提出一整套融合室内外多源点云数据的BIM模型重建技术。为验证方法的有效性,选取河南理工大学测绘与国土信息工程学院教学楼为实验区域,室内外数据采集时间为2019年5月。在对实验区域机载、车载和地面点云数据进行预处理的基础上,分别选取各点集共轭特征点,以高精度的地面点云为基准,将机载和车载点云融合到地面点云。为提高后期模型重建精度及处理效率,以点云间最小空间距离的方式剔除重叠区域冗余数据。对建筑物进行整体平面与立面剖切,将剖切面在CAD中进行跟踪绘制二维线划图,将二维线划图导入Revit软件中绘制轴网与标高,并利用提取到的墙体几何参数编辑墙体族类型进行BIM模型重建。根据提取到的窗户几何参数统计其类型并编辑窗户族,将其归为有规律性和无规律性两类,有规律性窗户单元找出其重复性规律及位置控制参数,无规律性窗户单元逐个放置,二者结合优化BIM模型。为验证模型重建精度,选取建筑物代表性立面,以人工实测立面边长为参照,将由点云数据提取到的相对应立面边长及模型边长与之对比分析,其误差集中分布在0.0~0.2 m之间,存在0.2 m以上误差,但大部分在0.3 m以下。实验结果证明了该方法的准确性。     

利用高精度DLG进行机载LiDAR点云精度评定研究

LiDAR作为一种主动式获取高精度地表几何信息的地形图测绘技术,其获取的点云具有较高的相对精度与绝对精度,可作为无控或稀少控制条件下（无人机）航空影像高精度几何定位的地理参考数据。影像几何定位所能达到的精度依赖于几何参考数据自身的精度,因此评价LiDAR点云的精度对于将其作为地理参考实现航空影像高精度几何定位,具有较强的理论价值与实践意义。本文提出了利用高精度数字线划图（DLG）作为几何参考评定机载LiDAR点云精度的方法。首先,通过比对DLG中高程注记点的高程与LiDAR点云中对应位置处的高程,实现LiDAR点云高程精度评定;然后,通过统计LiDAR墙面点在平面上的投影点到DLG房屋矢量轮廓线的距离,实现LiDAR点云平面精度评定。实验结果证明,本文试验区域LiDAR点云平面和高程精度分别可达到7.2 cm和8.3 cm,可作为大比例尺无人机航空遥感控制数据的有效选择。     

基于DEM的SAR影像几何定位参数校正方法

针对大范围无地面控制的SAR影像几何纠正,利用在一定时间和空间范围内SAR系统几何定位参数误差具有一定稳定性的特点,提出基于DEM的几何定位参数校正方法。该方法首先基于DEM进行影像模拟生成模拟SAR影像;然后在模拟SAR影像上提取特征点,针对特征点将模拟SAR影像和原始SAR影像进行匹配,得到特征点在原始SAR影像上的同名特征点,再结合DEM进行模拟影像间接定位获取特征点的地理坐标,以此作为几何定位参数校正的参考点;进而根据严密SAR几何构像模型构建几何定位参数校正模型,解算几何定位参数校正值;最后,利用几何参数校正值改正区域内其他SAR影像几何定位参数,提高区域内SAR影像几何定位精度。以高分三号影像进行试验,使用本文方法获取一景影像的几何定位参数校正值,对同一轨道内的和不同轨道的其他SAR影像进行参数校正,并对参数校正前后的几何定位精度进行评价。结果显示,同一轨道内的影像定位精度由66.0 m提高到9.7 m,不同轨道的影像定位精度由65.0 m提高到13.5 m,表明本文方法能够显著提高SAR影像几何定位精度。     

基于虚拟特征点的三维激光点云粗配准算法

在地面三维激光点云特征提取的过程中,由于三维点云数据采集仪器、采集方法及后期处理等因素影响,依靠传统的基于曲率、法线等几何特征及统计学算法提取出的点云特征数量较多且存在较大误差,若使用其直接作为特征点数据进行点云粗配准,很难提高点云粗配准的精度及速度。因此,本文在对点云数据实际空间分布结构分析的基础上,结合特征点提取算法、法向一致化算法、PCA（Principal Component Analysis）方法及特征点聚类等方法,提出了一种三维激光点云数据虚拟特征点拟合算法。该算法生成的虚拟特征点是由点云实际的特征点拟合得到,或是由位于被测物特征线上的特征点拟合生成的特征线计算得到,该虚拟特征点并不是扫描对象上实际存在的激光反射脚点。通过实验验证,虚拟特征点拟合算法可以较准确地拟合出由于设备及操作方法等原因而未被采集到的建筑物边角点数据,得到的虚拟特征点数据较实际特征点数据具有更少的数据量及更高的精度,使用拟合得到的虚拟特征点可以减少粗配准算法的计算量,提高粗配准算法的计算效率并能获得更精确及可靠的初始配准变换参数。     

基于车载激光点云的街景立面自动提取

街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。     

基于几何特征的建筑物点云配准方法

针对规则建筑物点云数据特点,基于测量平差理论,提出一种基于点、面几何特征的点云配准算法。首先利用建筑物点云数据中平面与平面的重合关系,推导了基于特征面的点云配准模型|而后结合基于特征点的点云配准模型,给出基于点、面特征的点云配准模型|最后利用实测数据进行实验,证实该方法能在一定程度上提高点云配准精度。     

交叉点结构特征约束的机载LiDAR点云与多视角航空影像配准

针对机载点云与航空影像配准精度受点云密度影响较大的问题,本文提出一种交叉点结构特征约束下的机载点云影像配准方法。该方法充分利用激光测距精度较高这一优势,采用点云中的平面结构对影像区域网进行绝对定向约束。首先,利用POS辅助平差后的影像内外方位元素和影像交叉点结构匹配结果,以反投影距离为测度,按照最小二乘准则交会得到交叉点物方结构;然后,在LiDAR点云中自动探测交叉点结构的同名LiDAR平面点;最后,进行交叉点结构特征约束下的航空影像联合区域网平差,得到精确的相机内参数和影像外方位元素。实验结果表明,本文方法在平面和高程方向上均可达到1~2个像素的配准精度。与基于建筑物角特征的配准方法相比,有效克服了点云密度对配准精度的影响,当点云密度较低时,本文方法依然可以取得较高的配准精度。     

多值体素连通区域构建下的机载LIDAR数据三维平面提取

针对现有的面向机载LIDAR数据的三维平面提取算法存在的基于离散激光点设计导致算法设计困难、仅利用几何特征的一致性导致的在平面平滑过渡区域易产生错误提取的问题,本文提出了一种多值体素连通区域构建下的机载LIDAR三维平面提取方法。该算法基于体素结构设计且综合利用了机载LIDAR数据的几何、激光反射强度信息,将传统的平面特征点聚类转换为基于体素的连通区域构建及空间约束下的反射强度值统计,给出了机载LIDAR点云数据的多值体素结构构建方案及其在此基础上的平面提取方案,有助于基于多值体素模型理论的机载LIDAR点云数据处理及应用的发展。算法具体实现过程为：① 将机载LIDAR点云数据规则化为多值体素结构,其中,体素值为体素内激光点的平均激光反射强度、曲率及法向量;② 在体素结构DSM数据中,选取小曲率体素作为种子,并标记与其空间连通且法向及激光反射强度均一致的连通区域为平面;③ 在体素结构非DSM数据中,将位于连通区域轮廓缓冲区内的激光反射强度满足统计特性的体素标记为平面。本文采用ISPRS提供的机载LIDAR实测数据测试提出算法的精度。定量评价的结果表明本文提出方法的质量和Kappa系数分别可达92.5%和89.4%,与传统仅采用几何特征的区域生长算法相比质量及Kappa系数分别提高了9.68%和11.62%。     

融合LiDAR数据与高分影像特征信息的建筑物提取方法

建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除nDSM中部分树木点,得到结果影像nDSM_en;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值 3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSM_en得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS 官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为96.4%、94.8%和91.7%;针对面积大于50 m ²的建筑物对象,上述3个指标均为100%。实验结果表明：本文提出与实现的建筑物提取方法更好地利用了反映建筑物与非建筑物本质差异的特征信息,有效地实现了2种数据源的相对优势互补,提高了建筑物的检测与提取精度。     

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

一种分步式建筑物屋顶面点云高精度提取方法

针对现有机载激光雷达（LiDAR）点云高精度提取方法存在建筑物屋顶面提取精度较低、适应性较差等问题,提出一种分步式建筑物屋顶面点云高精度提取方法。该方法通过主成分分析计算点云可靠性指标,选取可靠平面点;然后,利用K-means算法实现可靠点在法向量空间上的聚类,并通过逐步平面估计,提取初始屋顶面片;最后,进行面片的合并与未标记点的归属判断。实验结果表明,本文方法提取结果优异,效率较高,且对不同复杂程度的建筑物屋顶面均能取得较好的提取效果。     

基于机载LiDAR点云的约束BSP模型重建方法

针对现有基于机载激光点云的建筑物重建方法自动化程度较低且建筑物外轮廓精度无法保证的问题,提出一种融合已有的高精度建筑物外轮廓测绘数据成果与机载雷达数据的建筑物重建方法。以及方法从建筑物点云数据获取、屋顶面分割、结构线检测、几何拓扑重建和模型生成的建筑物三维重建过程中的关键步骤。最后,通过实验验证各个步骤的有效性与可用性。     

基于无人机传感器数据与词袋模型的点云自动化分类

激光点云分类是Li DAR数据应用的关键步骤和重要研究课题。针对Li DAR点云数据识别率低的问题,以体素化的点云为研究对象,提出了一种基于词袋模型的城区机载Li DAR点云数据分类方法。考虑到点云数据缺乏纹理信息,文中综合分析了点云数据和影像数据的特点,以点为单位提取描述点云的几何特征和影像特征分类特征;以体素为单位分割点云数据,并以体素为基础构建描述场景信息的词袋模型;最后基于随机分类器完成场景的分类。文中以ISPRS提供的Vaihingen数据作为实验数据。实验结果表明,本文提出的模型能有效地改善点云的分类质量,分类正确率能达到93%以上。     

����LiDAR���Ƴ��н�������Ƭ����ȡ�о�

?????????LiDAR?????з??????????????????y????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????Χ??????????????????????????С?????????????????????????С???????????3???????????????????????????????Ч??????????????????????????????????92%??     

一种地形自适应的机载LiDAR点云正则化TPS滤波方法

随着机载激光雷达成像技术（LiDAR）的不断发展,激光点云数据处理的相关研究也在不断深入。点云滤波是机载激光雷达点云数据处理的重要环节之一。针对多数经典滤波方法在复杂地形和地物条件下的滤波效果不够理想的现状,提出一种新的基于相对变异系数的地形自适应正则化薄板样条插值点云滤波方法。采用二维区域增长获取初始插值参考点后,基于线特征约束对参考点进行优化,去除部分低可靠性参考点以得到较准确、分布离散均匀的初始插值参考点集合,在此基础上通过正则化薄板样条插值方式来拟合地形点与地物点之间的滤波分类面,完成对机载激光点云的高精度自适应滤波。对比实验结果表明,本文的地形自适应滤波方法在2组实验数据的总体错误率分别达到4.14%和4.17%,在错误率和多地形综合表现等方面具有优势,且滤波运算效率在目前主流的滤波算法中处于较高水平。另外,实验结果验证了地形自适应滤波方法在斜坡、山脊等起伏较多的复杂地形与包含植被和建筑物的混合地形等处的点云滤波结果具有较好的准确性。